基于域对抗训练的网络中治疗效应估计
机器学习
2025-10-27 v1
摘要
在网络设置中估计异质性治疗效应 complicated by interference，这意味着实例的结果可能受他人治疗状态的影响。现有的因果机器学习方法通常假设已知的暴露映射，用于总结给定实例如何受他人治疗的影响，这种简化常常不现实。此外，homophily——相似实例连接的倾向——与治疗分配机制之间的相互作用可能导致网络层面的协变量漂移，从而导致不准确的治疗效应估计，这一现象尚未被明确研究。为此，我们提出了HINet，一种新方法，将图神经网络与域对抗训练相结合。这种组合允许在未知暴露映射下估计治疗效应，同时减轻（网络层面）协变量漂移的影响。在合成和准合成网络数据集上的广泛实证评估表明，我们的方法有效。
引用
@article{arxiv.2510.21457,
title = {Estimating Treatment Effects in Networks using Domain Adversarial Training},
author = {Daan Caljon and Jente Van Belle and Wouter Verbeke},
journal= {arXiv preprint arXiv:2510.21457},
year = {2025}
}